pDANSE：从非线性观测进行基于粒子的数据驱动非线性状态估计

基于摘要分析。本文研究状态转移模型（STM）未知、观测含噪且非线性时的状态估计问题，提出 particle-based DANSE（pDANSE），将 RNN 生成的高斯状态先验与基于重参数化技巧的粒子采样结合，估计状态后验的二阶统计量。 机制上，RNN 根据当前时刻之前的观测序列提供高斯先验参数，再利用当前非线性观测更新后验统计量。此前 DANSE 的线性观测设定允许闭式求解后验；pDANSE 针对非线性观测导致的闭式求解困难，引入粒子采样近似。作者称该方法避免使用计算密集的序贯 Monte-Carlo（SMC）及／或祖先采样，但具体采样流程、粒子数量与计算收益尚未验证。训练采用半监督方式，并可在没有标注数据时转为无监督学习；摘要未给出具体损失与标注比例。 实验以随机 Lorenz-63 系统为基准：三次非线性和 camera-model 非线性观测采用无监督学习，半波整流和 Cartesian-to-spherical 非线性观测采用半监督学习；另在随机 Lorenz-96 系统的半波整流观测下进行评估。作者报告，在这些动力系统实验中，pDANSE 的状态估计性能可与完整掌握 STM 的模型驱动方法竞争。摘要未提供具体误差指标、数值、基线名称及数据划分，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用历史观测学习潜在状态先验，再通过观测模型进行后验更新，可能对应 EEG 低信噪比条件下的潜在动力学估计，而非直接提供分类器。该假设依赖可用的观测映射与噪声模型；迁移时需改造状态定义、观测模型及训练目标。EEG 的跨被试差异、通道变化、小样本和非高斯噪声可能使高斯先验或粒子近似失效。可先在具有已知潜在状态的 EEG 仿真观测上，固定训练划分与观测模型，对比 pDANSE、DANSE 和模型驱动滤波方法，检验非线性增强及信噪比下降时的估计误差与计算开销。已有 EEG 相关工作尚未检索确认。